Athletes' perceive self-control of feedforward self-modeling improves competitive performance and self-regulation
Notice bibliographique
Résumé
Feedforward self-modeling (FF-SM), often an edited video displaying the self performing a task beyond one's present ability (Dowrick, 1999), has been under-researched as a tool to enhance competitive sporting performance. Ste-Marie, Rymal, Vertes, and Martini (2011) showed that experimenter controlled scheduling of a FF-SM video enhanced competitive beam performance. In this research, we allowed athletes to self-control the viewing of a FF-SM video. Nine trampolinists(M = 5, F= 4; M = 12. 7, SD= 1.6)were provided a FF-SM video of their trampoline routine and given the opportunity to control their video viewings at their leisure at 3 consecutive competitions. Through the use of 3 semi-structured interviews,we explored why the trampolinists chose to view their videos in competition and the self-reported outcomes of their viewings. Eight trampolinists used the FF-SM video throughout the 3 competitions. Coding their data revealed that the trampolinists most commonly reported using their video for the skill function of observation (i.e., to assist with motor execution). Although the self-reported outcomes included improved motor execution; they also identified changes to self-regulatory processes (e.g., higher levels of self-efficacy; greater use of task strategies and adaptive inferences). The athletes' positive reports point to the benefits of the use of FF-SM videos in competition settings. Discussion will focus on the practical implications of the research findings.Acknowledgments: Supported by SSHRC
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».